Credit risk analysis through logistic regression
DOI:
https://doi.org/10.5007/2175-8069.2013v10n20p139Abstract
The objective of this study was to apply the logistic regression technique in the development of a model for predicting credit scoring using data from a financial institution. From a sample of 20,000 data, three sub-samples were defined: one sample for model construction (8,000 data) and two other ones for validation, each one with 6,000 data. In the three sub-samples, there was an equitable distribution of good and bad clients, classified into these categories according to institutional standards. The logistic regression model presented adequate indicators of data adjustment in the results, which can be used in the decision-making process of bank credit concessions.
References
ANDREEVA, G. European generic scoring models using logistic regression and survival analysis. Journal of Operational Research Society, v.57, n.10, p. 1180-1187, 2006.
ARMINGER, G.; ENACHE, D.; BONNE, T. Analyzing credit risk data: a comparison of logistic discrimination, classification trees and feedforward networks. Computational Statistics, Berlim, v. 12, n. 2, p. 293-310. 1997.
CAMARGOS, M. A.; ARAÚJO, E. A. T.; CAMARGOS, M. C. S. A inadimplência em um programa de crédito de uma instituição financeira pública de Minas Gerais: uma análise utilizando regressão logística. REGE, v. 19, n. 3, p. 473–492. 2012.
CANTON, A. W. P. Aplicação de modelos estatísticos na avaliação de produtos. 1988. 253 f. Tese (Livre-Docência) – Concurso para Livre Docente do Departamento de Administração, Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo, São Paulo, 1988.
CASA NOVA, S. P. C. Quanto pior, melhor : Estudo da utilização da análise por envoltória de dados em modelos de análise de inadimplência/insolvência de empresas. Revista Contemporanea de Contabilidade, v. 10, n. 19, p. 71–96. 2013.
DESAI, V. S. et al. Credit scoring models in the credit union environment using neural networks and genetic algorithms. IMA J. Mathematics Applied in Business and Industry, Oxford, v. 8, p. 323-346. 1997.
DOBSON, A. An introduction to generalized linear models. London: Chapman & Hall, 1990.
DUARTE JR. et al.. Gerenciamento de riscos corporativos: classificação, definições e exemplos. Resenha BM&F, São Paulo, n. 134. 1999.
FENSTERSTOCK, F. Credit scoring and the next step. Business Credit, New York, v. 107, n. 3, p. 46-49. 2005.
FERREIRA, M. A. M.; CELSO, A. S. S.; BARBOSA NETO, J. E. Aplicação do modelo logil binomial na análise do risco de crédito em uma instituição bancária. Revista de Negócios, v. 17, n. 1, p. 41–59. 2012.
FIGUEIREDO, R. P. Gestão de riscos operacionais em instituições financeiras: uma abordagem qualitativa. 2001. 187 f. Dissertação (Mestrado em Administração). Curso de Pós-graduação em Administração, Universidade da Amazônia, Belém, 2001.
GIL, A. C. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2002.
GITMAN, L. J. Princípios de Administração Financeira. São Paulo: Harbra, 1997.
HAIR JR., J. F. et al. Análise multivariada de dados. São Paulo: Bookman, 2009.
HAND, D. J.; HENLEY, W. E. Statistical classification methods in consumer credit scoring: a review. Journal of Royal Statistical Society, London, v. 160, p. 523-541. 1997.
HARRISON, T.; ANSELL, J. Customer retention in the insurance industry: using survival analysis to predict cross-selling opportunities. Journal of Financial Services Marketing, London, v. 6, n. 3, p. 229-239. 2002.
LEWIS, E. M. An introduction to credit scoring. San Rafael: Fair Isaac and Co. Inc, 1992.
LIMA, J. A análise econômico-financeira de empresas sob a ótica da estatística multivariada. 2002. 192 f. Dissertação (Mestrado em Métodos Numéricos em Engenharia) – Curso de Pós-graduação em Tecnologia e Ciências Exatas, Universidade Federal do Paraná, Curitiba, 2002.
LIMA, F. G. et al. Aplicação de redes neurais na análise e na concessão de crédito ao consumidor. Revista de Administração da USP, São Paulo, v. 44, n. 1, p. 34-45. 2009.
NETER, J. et al. Applied linear statistical models. Chicago: Irwin, 1996.
OHTOSHI, C. Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito. 2003. 147 f. Dissertação (Mestrado em Estatística) – Curso de Pós-graduação em Estatística, Instituto de Matemática e Estatística da Universidade de São Paulo, São Paulo, 2003.
OOGHE, H.; CAMERLYNCK, J.; BALCAEN, S. The Ooghe-Joos-De Vos failure prediction models: a cross-industry validation. Brussels Economic Review, Brussels, v. 46, p. 39-70. 2003.
PALMUTI, C. S.; PICCHIAI, D. Mensuração do risco de crédito por meio de análise estatística multivariada. Revista Economia Ensaios, v. 26, n. 2, p. 7–22. 2012.
PAULA, G. A. Modelos de Regressão com Apoio Computacional. Instituto de Matemática e Estatística, 2002. Disponível em: <http://www.ime.usp.br/~giapaula/livro.pdf>. Acesso em: 14 abr. 2011.
PEREIRA, G. H. A. Modelos de risco de crédito de clientes: uma aplicação a dados reais. 2004. 104 f. Dissertação (Mestrado em Estatística) – Curso de Pós-graduação em Estatística, Instituto de Matemática e Estatística da Universidade de São Paulo, São Paulo, 2004.
PICININI, R., OLIVEIRA, G. M. B.; MONTEIRO, L. H. A. Mineração de critério de credit scoring utilizando algoritmos genéticos. In: SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE, 6., 2003, Bauru. Anais... SBAI, 2003. CD-ROM.
RICHARDSON, R. J. Pesquisa social: métodos e técnicas. 3. ed. São Paulo: Atlas, 1999.
ROSA, P. T. M. Modelos de Credit Scoring: Regressão Logística, CHAID e REAL. 2000. 125 f. Dissertação (Mestrado em Estatística) – Curso de Pós-graduação em Estatística, Instituto de Matemática e Estatística da Universidade de São Paulo, São Paulo, 2000.
SAMEJIMA, K.; DOYA, K.; KAWATO, M. Inter-module credit assignment in modular reinforcement learning. Neural Networks, v. 16, n. 7, p. 985-994. 2003.
SANTI FILHO, A. Avaliação de Riscos de Crédito. São Paulo: Atlas, 1997.
SCHRICKEL, W. K. Análise de crédito: concessão e gerência de empréstimos. São Paulo: Atlas, 1995.
SECURATO, J. R. Crédito: análise e avaliação do risco. São Paulo: Saint Paul, 2002.
SELAU, L. P. R.; RIBEIRO, J. L. D. Uma sistemática para construção e escolha de modelos de previsão de risco de crédito. Revista Gestão e Produção, v. 16, n. 3, p. 398–413. 2009.
SEMOLINI, R. Support vector machines, inferência transdutiva e o problema de classificação. 2002. 142 f. Dissertação (Mestrado em Engenharia Elétrica) – Curso de Pós-graduação em Engenharia Elétrica, Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas, Campinas, 2002.
SHARMA, S. Applied multivariate techniques. New York: John Wiley and Sons, 1996.
SIEGEL, S. Estatística não paramétrica para as ciências do comportamento. São Paulo: McGraw-Hill, 1975.
SOARES, G. O. G.; COUTINHO, E. S.; CAMARGOS, M. A. Determinantes do Rating de Crédito de Companhias Brasileiras. Revista Contabilidade Vista & Revista, v. 23, n. 3, p. 109–143. 2012.
TREVISANI, A. T. et al. Qualidade de dados: desafio crítico para o sucesso do business intelligence. In: CONGRESSO LATINO AMERICANO DE ESTRATÉGIA, 18., 2004, Itajaí. Anais... SLADE, 2004. CD-ROM
Downloads
Published
How to Cite
Issue
Section
License
Os Direitos Autorais para artigos publicados neste periódico são do autor, com direitos de primeira publicação para a Revista. Em virtude de aparecerem nesta Revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais, de exercício profissional e para gestão pública. A Revista adotou a licença Creative Commons Atribuição 4.0 Internacional - CC BY NC ND. Esta licença permite acessar, baixar (download), copiar, imprimir, compartilhar, reutilizar e distribuir os artigos desde que com a citação da fonte, atribuindo os devidos créditos de autoria. Nesses casos, nenhuma permissão é necessária por parte dos autores ou dos editores. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou um capítulo de livro).
Esta obra está licenciada sob uma Licença Creative Commons.
